颠覆大模型后训练！陈丹琦团队提出「基于模型奖励思维的强化学习」RLMT

背景：大语言模型在开放式任务上的泛化能力有限，传统后训练方法依赖海量数据。研究目的：陈丹琦团队提出RLMT框架，通过强化学习结合奖励模型，引导语言模型在回复前生成思维链，提升推理能力。结论：实验证明RLMT训练的8B模型在聊天和创意写作任务上超越GPT-4o，仅用7K提示即超越传统多阶段训练的指令模型，表明激发模型“思考能力”比数据堆积更有效，为后训练流程提供新范式。